文檔處理效能飆升！浩鯨科技「文檔大模型」核心技術揭秘！

機器之心發佈

機器之心編輯部

在當今大模型技術日新月異的背景下，數據已躍升為構建企業大模型知識庫、優化訓練與微調，乃至驅動模型創新不可或缺的核心要素。

對於企業來說，積累的寶貴知識廣泛散佈於形式多樣的電子文檔之中，這些文檔不僅格式多樣，其內容質量亦呈現出顯著的差異性。對海量數據進行精細化的清洗與預處理工作，已成為提升數據價值、確保模型精準高效的關鍵一環，如何有效提取並利用這些寶貴的知識資源，成為了擺在所有企業面前的一道難題。

9 月 20 日，老牌數字化轉型技術服務提供商浩鯨科技在雲棲大會期間，成功舉行鯨智大模型技術體系發佈會，作為企業內部的 「資產沉澱專家」，鯨智文檔大模型重磅正選。

據瞭解，本次發佈的 「鯨智文檔大模型」，專門針對企業文檔場景構建了一組垂直領域模型，浩鯨科技大模型創新中心總經理王玉木表示，鯨智文檔大模型與同類產品最大的差異在於，它提供了可快速價值落地的整體性方案，不僅包含了文檔大模型能力，還提供了多模態文檔工具鏈 DocChain 和開箱即用的軟硬件一體機，基於垂直模型能力和軟硬件相互配合，可幫助企業實現文檔的知識抽取、知識融合，直至知識推理和問答的全流程覆蓋，為企業知識資產的沉澱、高效管理與利用提供了有效通路。

鯨智文檔大模型的實踐邏輯

浩鯨科技成立於 2003 年，立足於電信行業，智慧觸角已觸及政務、電力、泛零售等多個領域，迄今已為全球 80 多個國家和地區的電信運營商、700 + 政企客戶提供全棧數智化產品技術服務。

「鯨智文檔大模型」 始於浩鯨科技 20 餘年的數據治理、知識沉澱能力積累，作為垂直領域模型，它從端到端解決場景需求的視角出發，結合了大小模型協作等思路，基於基礎大模型構建一套緊密配合的模型組合，主要分三個層面：

• 底層，精準知識提取：通過標題提取、表格提取、版面分析等多種模型，精準捕捉文檔中的關鍵信息，確保內容的完整提取。同時，知識密度分類與語義壓縮模型的加入，進一步提升了知識提取的效率與質量。

  知識提取中，「標題提取模型」 是最為優先的。文檔標題可用於文檔知識塊拆分、知識塊召回等場景，可解決指代消歧等問題，具有重要作用，但在服務企業過程中，大部分文檔格式不規範，直接影響了知識問答成功率。「標題提取模型」 基於基礎大模型進行微調訓練，強化了標題識別能力，能夠用於從正文中識別標題，補全缺失標題等場景，可以解決企業文檔標題和目錄不規範，甚至標缺失的問題，有效提升了成功率。

• 中間層，深度知識融合：在知識塊的基礎上，進行抽像總結與多模態數據關聯，將碎片化知識整合為系統化的知識體系，並映射至高維向量空間，為後續的知識推理奠定堅實基礎。浩鯨科技積累的的主要模型有：

  文本總結模型：生成短文本摘要，為知識萃取提供支持；

  文本向量模型：提供更加準確的文本特徵提取能力，為知識的召回提供保障；

  界面識別模型：圖片特徵提取模型，支持圖文向量對齊；

  文本重排模型：對多模態，多路徑召回的文本內容，進行重排序，進一步提升回答的準確率。

  其中，「界面識別模型」 強化了對用戶手冊中最常見軟件界面的支持，主要得益於很多用戶都喜歡使用截圖來對知識庫進行提問。該模型訓練數據提取自浩鯨科技研發雲平台，將軟件測試報告中的軟件界面圖片和內容來構建訓練集，並使用反轉、隨機截取、變形、疊加反光等手段擴增圖片庫，實現了一個支持軟件界面匹配的圖片識別模型，解決了現有大模型在軟件界面識別方面效果一般的問題。該模型的應用顯著提升了圖片搜索的準確率，文本檢索圖片召回成功率提升 25%，圖片檢索圖片召回成功率提升 40%。

• 上層，智能知識推理：構建了知識問答模型和 BPO 優化模型。面向知識問答任務場景，構建了針對場景優化的問答模型，強化根據參考知識信息進行精準回答，減少幻覺。另外一方面通過優化用戶的輸入提示（prompt）來提高模型輸出與人類偏好的對齊程度，提升問答的準確性。

DocChain：文檔處理的智慧引擎

為深度賦能企業用戶，浩鯨科技依託先進的鯨智文檔大模型，匠心打造了多模態文檔工具鏈 ——DocChain。該產品不僅實現了企業文檔向寶貴知識資產的轉化，更構建了一個集文檔知識精準提取、高效檢索與智能問答對話於一體的大模型知識服務平台。DocChain 以其卓越的多模態處理能力、廣泛的文檔格式兼容性和極致的性能優化，成為企業文檔處理領域的得力助手。

• 智能提取，精準高效：集成前沿 NLP 算法與模型，實現文檔處理速度與精度的雙重飛躍。抽取精度高達 98%，問答響應準確率超越 80%，讓信息獲取更加智能、便捷。

• 格式兼容，全面廣泛：擁抱多樣化文檔生態，支持超過 30 種文件格式，特別兼容 OFD 等國產信創標準，確保各類文檔無縫接入，處理高效且精準，滿足企業多樣化需求。

• 多模態處理，深度解析：深度解析文檔內容，無論是文本、目錄、圖片、表格、鏈接還是頁碼，均能精準拆分與提取。支持多元模態檢索，無論是文找文、文找圖，還是圖找圖，均能遊刃有餘。

一體機：解決企業私域場景下低成本上線大模型的訴求

浩鯨科技為解決客戶落地大模型過程中算力硬件缺乏、技術人員少、安全要求高等難題，同時推出了文檔大模型軟硬件一體機。一體機內置了高性能算力，並且預裝了大模型以及 DocChain 應用，可為企業快速部署和驗證智慧文檔處理服務。

從部署上來說，文檔大模型一體機具備開箱即用、數據安全可控、性能無憂、快速集成等幾個特點，專為輕量級場景設計，私有化部署解決企業隱私保護、數據安全等痛點，低成本實現企業內部大模型快速上線，覆蓋通用知識檢索、文檔問答、服務支撐及品牌宣傳等，可幫助企業迅速構建專屬大模型問答系統。

隨著基礎大模型的發展，以及模型增量訓練的知識衝突問題日益凸顯，RAG 逐漸成為企業智能知識庫的標準解決方案，然而知識召回的準確率和完整性成為了影響問答效果的關鍵因素。

鯨智文檔大模型，借鑒了 「大模型 + 小模型」 的思路，基於基座大模型構建了一套大小模型的組合，形成了一套垂直大模型，可以端到端實現垂直應用場景的需求。當前，鯨智文檔大模型在多模態識別、檢索和精準召回上做了很多的嘗試，也取得了一定的成果。

AI 大模型的迅速發展，讓企業沉澱的大量文檔的知識理解和處理帶來了轉機，浩鯨科技正通過持續的技術創新與產品優化，推動大模型技術與企業領域知識深度融合，實現企業文檔向有價值的資產轉化，為企業創造更多價值。